常见的超参数调优方法

学习器模型中一般有两类参数，一类是可以从数据中学习估计得到，还有一类参数时无法从数据中估计，只能靠人的经验进行设计指定，后者成为超参数。比如，支持向量机里面的C, Kernal, game；朴素贝叶斯里面的alpha等。

网格搜索

网格搜索通过查找搜索范围内的所有的点来确定最优值，如果采用较大的搜索范围和较小的步长，网格搜索有很大的概率找到全局最优值。但是随着超参数的增加这种搜索方法十分消耗计算资源和时间，因此网格搜索一般会先使用较广的搜索范围和较大的步长，来寻找全局最优值可能的位置；然后再逐渐缩小搜索范围和步长，来寻找更精确的最优值。这种操作方案可以降低所需的时间和计算量，但是由于目标函数一般是非凸的，所以很可能会错过全局最优值。

随机搜索

随机搜索的思想与网格搜索比较相似，只是不再测试上界和下界之间的所有值，而是在搜索范围中随机选取样本点，如果样本点集足够大，那么通过随机采样也能大概率的找到全局最优值，或与其近似，随机搜索一般要比网格搜索要快一些，但是和网格搜索的快速版一样，它的结果也是每办法保证的。

贝叶斯优化算法

贝叶斯优化算法在寻找最优值参数时，采用了与网格搜索、随机搜索完全不同的方法。网格搜索和随机搜索在测试一个新点时，会忽略前一个点的信息，而贝叶斯优化算法则充分利用了之前的信息。贝叶斯优化算法通过对目标函数形状进行学习，找到使目标函数向全局最优值提升的参数。

贝叶斯优化算法首先根据先验分布，假设一个搜集函数；然后，每一次使用新的采样点来测试目标函数时，利用这个信息来更新目标函数的先验分布；最后，算法测试由后验分布给出的全局最值最可能出现的位置的点。

对于贝叶斯优化算法，一旦找到了一个局部最优值，他会在该区域不断采样，所以很容易陷入局部最优值，为了弥补这个缺点，贝叶斯优化算法会在探索和利用之间找到一个平衡点，“探索”指的是在还未取样的区域获取采样点，而“利用”则是根据后验分布在最可能出现全局最值的区域进行采样。